Ugrás a tartalomhoz

decision boundary

A Wikiszótárból, a nyitott szótárból

Angol


Főnév

decision boundary (tsz. decision boundaries)

  1. (informatika, mesterséges intelligencia) A decision boundary (magyarul: döntési határ, határvonal) egy olyan matematikai fogalom, amelyet elsősorban gépi tanulás, mintázatfelismerés, osztályozás és statistikai döntési elméletek területén használnak. A döntési határ az a vonal (vagy általánosabban: felület, hipersík), amely elválasztja az adatokat különböző osztályokba soroló régiók között.

A gépi tanulásban egy osztályozó algoritmus célja, hogy egyértelmű döntést tudjon hozni: egy adott pont (pl. egy e-mail) spam-e vagy nem, egy kép macskát tartalmaz-e vagy kutyát. Ehhez az algoritmus meghatároz egy határt, amelynek egyik oldalán az egyik osztály, másik oldalán a másik osztály található.


Mit jelent a döntési határ?

Formálisan a döntési határ az a geometriai objektum, amely mentén a klasszifikátor (osztályozó) bizonytalan az osztálybesorolásban – vagyis azok a pontok, amelyek esetén a predikciós értékek éppen egyenlőek két vagy több osztály között.

Például:

  • Ha egy lineáris klasszifikátor pontokat „pozitív” és „negatív” osztályba sorol, akkor a döntési határ lehet egy egyenes (2D-ben), egy sík (3D-ben), vagy egy hipersík (n-dimenzióban).


Egyszerű példa: 2D osztályozás

Tegyük fel, hogy kétféle adatpontod van:

  • Kék körök – osztály A
  • Piros háromszögek – osztály B

Ha egy algoritmus megtanulja, hogy a (x, y) sík mely pontjai tartoznak A-hoz vagy B-hez, akkor a döntési határ az a görbe vagy egyenes, amely szétválasztja a kétféle pontot.


Típusai a döntési határoknak

1. Lineáris döntési határ

  • Egyszerű algoritmusoknál, mint a logisztikus regresszió vagy SVM (linear kernel).
  • Képlete: wᵀx + b = 0 Ahol w a súlyvektor, x a bemenet, b a bias.

2. Nemlineáris döntési határ

  • Komplexebb viselkedést tanuló modelleknél, mint:
    • SVM nemlineáris kernellel (pl. RBF kernel)
    • Döntési fák, Random Forest
    • Neurális hálózatok

Ilyenkor a döntési határ lehet görbe, darabos, összetett, és akár nem folyamatos is.


Gépi tanulási algoritmusok és a decision boundary

1. Logisztikus regresszió

  • Lineáris döntési határat hoz létre.
  • Megfelelő akkor, ha az osztályok lineárisan elválaszthatók.

2. Support Vector Machine (SVM)

  • Célja: a lehető legnagyobb margin kialakítása a két osztály között.
  • Lineáris vagy kernel-trükk segítségével nemlineáris döntési határ.
  • A támogatópontok (support vectors) határozzák meg.

3. Döntési fák (Decision Tree)

  • A döntési határ mindig axis-aligned (függőleges vagy vízszintes vonalak).
  • Lépcsőzetes, darabos határfelület.

4. K legközelebbi szomszéd (K-NN)

  • A határ nem explicit módon tanulódik, de létezik.
  • Nagyon részletes, érzékeny a zajra – határa “rücskös” lehet.

5. Neurális hálózatok

  • Többrétegű perceptronok képesek bonyolult, nemlineáris, akár topológiailag összetett döntési határok megtanulására.
  • Nagy adatmennyiség és számítási kapacitás esetén a legjobbak.


Mi határozza meg a decision boundary alakját?

  1. Adatok eloszlása
    • Ha az osztályok jól elkülönülnek, könnyű lineáris határt találni.
    • Ha átfedés van, a határ bizonytalan vagy hullámos.
  2. Model struktúrája
    • Lineáris modellek → egyenes határ
    • Döntési fa → szögletes határ
    • Mély hálózat → tetszőleges komplexitás
  3. Túlillesztés
    • Ha túl komplex döntési határt tanulunk a tanítókészletre, overfitting alakulhat ki, és a modell rosszul általánosít.


Visualization – Megjelenítés

A döntési határ vizualizálása gyakori eszköz a gépi tanulási modellek megértéséhez.

Tipikus lépések:

  • 2D-ben vagy 3D-ben történik
  • A bemeneti tér egy rácspontjain kiszámítjuk a modell kimenetét
  • Ahol a kimenet osztályváltást jelez (0 → 1), ott a decision boundary található

Pythonban például matplotlib és scikit-learn használatával így vizsgálható:

from sklearn.linear_model import LogisticRegression
from sklearn.datasets import make_classification
import matplotlib.pyplot as plt

X, y = make_classification(n_features=2, n_redundant=0, n_informative=2,
                           n_clusters_per_class=1)
model = LogisticRegression().fit(X, y)

# plot határ
import numpy as np
xx, yy = np.meshgrid(np.linspace(X[:,0].min(), X[:,0].max(), 100),
                     np.linspace(X[:,1].min(), X[:,1].max(), 100))
Z = model.predict(np.c_[xx.ravel(), yy.ravel()]).reshape(xx.shape)

plt.contourf(xx, yy, Z, alpha=0.3)
plt.scatter(X[:,0], X[:,1], c=y)
plt.title("Decision Boundary")
plt.show()

Döntési határ és bizonytalanság

A decision boundary mentén fekvő pontok gyakran bizonytalan osztályba sorolást eredményeznek.

  • Ezek a pontok az úgynevezett margin-zónában találhatók.
  • A soft classifier (pl. logisztikus regresszió) ilyen esetekre valószínűségi kimenetet ad.
  • Egy predikció lehet például: „Ez a pont 55% valószínűséggel osztály A”.


Decision boundary a valós életben

  • Orvosi diagnosztika: egészséges vs. beteg sejtek elkülönítése képalapú adatokon.
  • Pénzügyi előrejelzés: hitelképes vs. nem hitelképes ügyfelek elkülönítése.
  • Biztonság: jogos vs. jogosulatlan belépés osztályozása viselkedési minták alapján.


Döntési határ elemzése

A gépi tanulási rendszerek egyik fő kritikája, hogy nem mindig értjük, mi alapján döntenek. A decision boundary vizsgálata segít:

  • az érthetőség növelésében,
  • a bias vagy diszkrimináció kiszűrésében,
  • a modellek validálásában.


Összefoglalás

A decision boundary a gépi tanulás egyik alapvető fogalma: ez az a határvonal, amely egy modell döntési terét osztja fel különböző osztályok szerint. Egy jó döntési határ elkülöníti az osztályokat, általánosít az új adatokra, és robosztus a zajjal szemben.

A döntési határ lehet egyenes vagy görbe, egyszerű vagy összetett, attól függően, hogy milyen adatokkal és milyen algoritmusokkal dolgozunk. A megértése és vizsgálata kulcsfontosságú a gépi tanulási modellek működésének átláthatóbbá, megbízhatóbbá és etikusabbá tételéhez.

További információk

A lap eredeti címe: „https://hu.wiktionary.org/w/index.php?title=decision_boundary&oldid=3506080”